White Wine Quality
Lilya
June 19, 2017
需要探索的问题
哪个化学成分影响白葡萄酒的质量？
其中，白葡萄酒质量用quality变量表示，⾄少 3 名葡萄酒专家对每种酒的质量进⾏了评分， 分数在 0（⾮常差）和10（⾮常好）之间。分数越高，代表就的质量越好。
设置knit的文件可读性
探索单个变量
查看数据整体情况
## [1] 4898## [1] 13## X fixed.acidity volatile.acidity citric.acid
## 1 : 1 Min. : 3.800 Min. :0.0800 Min. :0.0000
## 2 : 1 1st Qu.: 6.300 1st Qu.:0.2100 1st Qu.:0.2700
## 3 : 1 Median : 6.800 Median :0.2600 Median :0.3200
## 4 : 1 Mean : 6.855 Mean :0.2782 Mean :0.3342
## 5 : 1 3rd Qu.: 7.300 3rd Qu.:0.3200 3rd Qu.:0.3900
## 6 : 1 Max. :14.200 Max. :1.1000 Max. :1.6600
## (Other):4892
## residual.sugar chlorides free.sulfur.dioxide
## Min. : 0.600 Min. :0.00900 Min. : 2.00
## 1st Qu.: 1.700 1st Qu.:0.03600 1st Qu.: 23.00
## Median : 5.200 Median :0.04300 Median : 34.00
## Mean : 6.391 Mean :0.04577 Mean : 35.31
## 3rd Qu.: 9.900 3rd Qu.:0.05000 3rd Qu.: 46.00
## Max. :65.800 Max. :0.34600 Max. :289.00
##
## total.sulfur.dioxide density pH sulphates
## Min. : 9.0 Min. :0.9871 Min. :2.720 Min. :0.2200
## 1st Qu.:108.0 1st Qu.:0.9917 1st Qu.:3.090 1st Qu.:0.4100
## Median :134.0 Median :0.9937 Median :3.180 Median :0.4700
## Mean :138.4 Mean :0.9940 Mean :3.188 Mean :0.4898
## 3rd Qu.:167.0 3rd Qu.:0.9961 3rd Qu.:3.280 3rd Qu.:0.5500
## Max. :440.0 Max. :1.0390 Max. :3.820 Max. :1.0800
##
## alcohol quality
## Min. : 8.00 3: 20
## 1st Qu.: 9.50 4: 163
## Median :10.40 5:1457
## Mean :10.51 6:2198
## 3rd Qu.:11.40 7: 880
## Max. :14.20 8: 175
## 9: 5读取相关数据，可知， 1. 该白葡萄酒数据集有13个变量，4898 条数据;
2. 该白葡萄酒数据集质量范围在3~9分之间。
用直方图来查看 quality 的分布如下：
##
## 3 4 5 6 7 8 9
## 20 163 1457 2198 880 175 5
从图中可以看出，本数据集的质量范围在 3~9 之间，其中质量为5，6的数量最多。
从每种质量分布的个数来看，基本属于正态分布，虽然并不标准。其中峰值为 quality=6.
下面，使用aes_string和ggplot搭配构造直方图函数，减少代码的重复
大部分 fixed.acidity 的含量在 5~9之间，其中峰值在 6~7 之间， fixed.acidity 的分布基本属于正态分布，存在一些异常值。
去掉 fixed.acidity 大于10的部分，可以看到， fixed.acidity 的分布基本呈现正态分布。
volatile.acidity 的分布呈现右偏斜分布，其中大部分 volatile.acidity 的含量在 0.15~0.4 之间。
citric.acid 呈现正态分布，峰值为0.3，分布在0.5附近出现变化。
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.600 1.700 5.200 6.391 9.900 65.800
residual.sugar 是正偏斜分布，由于大部分的 residual.sugar 在0~20之间。
将 residual.sugar 取log10，可以得到一个双峰分布，如上图所示。
绝大部分的 free.sulfur.dioxide 的值分布在0~100之间， 绝大部分的 total.sulfur.dioxide 值分布在 50~250 之间。
去掉 free.sulfur.dioxide 和 total.sulfur.dioxide 中的比较高的异常值。
从上图可以看出，free.sulfur.dioxide 和 total.sulfur.dioxide的分布都很均匀。
sulphates的分布比较均匀，但chlorides的分布大部分在0.0~0.1之间，去掉chlorides中异常值，如下：
去掉以后，chlorides大致呈现正态分布。
pH的分布大致呈现正态分布。
density分布大部分在0.997~1.002的范围内
alcohol呈现偏右斜分布。
查看alcohol的统计数据如下：
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 8.00 9.50 10.40 10.51 11.40 14.20新变量acid
由于变量中包含3中酸，fixed.acidity,volatile.acidity,citric.acid, 现在新建一个变量
acid = fixed.acidity + volatile.acidity + citric.acid，查看acid的分布。 
单变量分析
数据集的结构是什么？
本数据集包含4898种白葡萄酒，以及11个关于酒的化学成分的变量。
这11个变量分别是：fixed.acidity， volatile.acidity， citric.acid， residual.sugar， chlorides，sulphates， 单位为(g / dm^3)；
free.sulfur.dioxide， total.sulfur.dioxide，单位为(mg / dm^3)， alcohol 单位为(% by volume) density 单位为(mg / cm^3)， pH
这11个变量均为连续变量
变量quality表示白葡萄酒的质量，由至少3名葡萄酒专家对每种酒的质量进行评分，分数在0（非常差）和10（非常好）之间。
数据集的主要特征是什么?
数据集的主要特征应该是酒精度数 alcohol 和 quality。
数据集中哪些特征对于你的研究目的可能有帮助？
pH、residual.sugar、total.sulfur.dioxide以及其他特征对我的研究可能有用。还需要后续具体查看。
你是否根据现有变量创建了新的变量？
目前，根据3种酸，计算了新变量 acid，表示3种酸的总和。
你研究的变量是否有不寻常的分布? 你是否对数据进行了整理、调整或者更改数据的形式?如果有的话，描述一下你为什么要这样操作？
新变量 acid 没有不寻常的分布，由于 fixed.acidity 的值比 volatile.acidity 和 citric.acid 大很多，将三者相加以后，主要是由 fixed.acidity 的值起作用，故而 acid 的分布整体与 fixed.acidity 的分布一致。
探索2个变量
## [1] "fixed.acidity" "volatile.acidity" "citric.acid"
## [4] "residual.sugar" "chlorides" "free.sulfur.dioxide"
## [7] "total.sulfur.dioxide" "density" "pH"
## [10] "sulphates" "alcohol" "quality"
从上述相关表中可以看出，
residual.sugar 与 density 相关度最高：0.84；
free.sulfur.dioxide 和 total.sulfur.dioxide 相关度为：0.62 total.sulfur.dioxide 和 density 的相关度为：0.53
存在较高的负相关度的变量为： alcohol 与 density ： -0.78
alcohol 与 total.sulfur.dioxide： -0.45 alcohol 与 residual.sugar： -0.45
fixed.acidity 与 pH：-0.43
由于 quality 是分类变量，所以 quality 与其他变量的关系用箱线图来表示。 在双变量分析的箱线图中加入 jitter，能够更丰富的传递信息
探索 alcohol 与 quality 的关系
从图中可以看出， quality 与 alcohol 的变化趋势为， 随着quality的增加，alcohol的度数增加，即两者呈现正相关关系。 在箱线图中加入jitter，能传递更加丰富的信息，加入线性回归线，可以减少被极端值影响的情况，更好的反映数据之间的趋势。
探索 pH 与 quality的关系
从上图可以看出，quality 与 pH 的关系并不明显，呈现非常微弱的正相关关系。
探索 citric.acid 与 quality的关系
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.0000 0.2700 0.3200 0.3342 0.3900 1.6600
从上图可以看出，quality 和 citric.acid 的回归线几乎在一条水平线上，说明 citric.acid 与 quality 无相关关系 。
探索 residual.sugar 和 density 的关系
从图中可以看出，residual.sugar 和 density 呈正相关关系
探索 total.sulfur.dioxide 和 density 的关系
从图中可以看出，total.sulfur.dioxide 和 density 呈现正相关关系。
探索 alcohol 和 density 的关系
从上图可以看出，alcohol 与 density 之间，呈现明显的负相关关系
探索 alcohol 和 total.sulfur.dioxide 的关系
从图中可以看出，当 total.sulfur.dioxide 增加时，alcohol 整体呈现下降趋势，即两者呈现负相关关系。
探索 fixed.acidity 和 pH 的关系
从图中可以看出，fixed.acidity 的值越高，pH的值越低，即两者呈现负相关关系。
双变量分析
谈论一下你在这部分观察到的变量之间的关系。在数据集中，我们关注的变量是如何变化的？
在这部分中，主要探讨了 quality 和 alcohol 之间的关系。
从观察中可以看出，随着quality 的增加， alcohol的值先减少，再增加，在quality=5时，alcohol 达到最低平均值。
还探讨了 pH 与 quality 的关系，关系与上面 quality 与 alcohol 之间的关系很相似。
也是随着quality 的增加， pH 的值先减少，再增加，在quality=5时，pH 达到最低平均值。
除了主要特征之外，你观察到其他特性之间的关系了吗?
residual.sugar 和 density 的关系：两者呈现正相关关系，随着 residual.sugar 增加，density 的值也增加；
total.sulfur.dioxide 和 density 的关系：两者也呈现正相关关系，随着 total.sulfur.dioxide 增加，density 呈现增加趋势；
alcohol 和 density 的关系：两者呈现负相关关系，随着 alcohol 增加，density 呈下降趋势；
alcohol 和 total.sulfur.dioxide 的关系：两者呈现负相关关系；
fixed.acidity 和 pH 的关系 ：两者呈现负相关关系，随着 fixed.acidity增加，pH呈现下降趋势。
你发现的最强的关系是什么?
其中，最强的关系是residual.sugar 和 density的关系，从图中可以看出，两者正相关关系很明显，且相关系数为 0.84 .
进行多变量研究
探索 alcohol、density 和 quality之间的关系
从图中可以看出，当alcohol一定时，density越高，quality的颜色越深，也就是说质量更高，但quality=3 和 quality = 9 这两条线并不遵循这个规律，但由于quality = 3和9 的数据相对于其他等级来说，太少了，远小于30个数据，这里有可能会出现误差。在总结规律时，暂时先不考虑这两个质量的影响。
故，从整体上来说，当alcohol一定时，density越高，quality的质量更高。
探索 alcohol, quality, pH 的关系
从图中整体来看，alcohol = 10.5 是一个分界线，当 alcohol > 10.5 时，ph 值一定时， pH 取值越高时，quality 的质量越高。 当 alcohol < 10.5 时，关系并不明确。
探索 alcohol, quality, residual.sugar 的关系
从上图中可以看出，当alcohol 一定时，residual.sugar 值越大，整体上 quality的值也越大，不过在 quality=3和9 时，并不遵循此规律。由于quality=3和9的数据量太小，远小于其他值，存在误差的可能性很大，我们可以暂时不考率quality=3和9的情况。 再观察图形，可以看出，从整体来说，当alcohol 一定时，residual.sugar 值越大，quality的值也越大。
探索 alcohol, quality, total.sulfur.dioxide 的关系
当 alcohol 保持一致时， total.sulfur.dioxide 与 quality 关系并不明确，故 total.sulfur.dioxide 与 alcohol 并不是相互加强的关系。
多变量分析
需要注意
由于quality为分布变量，如果出现一个连续变量（alcohol，sulphate等等）VS 连续变量 VS 分类变量（quality）的情况，所以我们散点图的x，y值应该为这两个连续变量，然后颜色元素应该代表分类变量quality。否则的话如这次提交中的图形将quality选为x值的话图形中的点是重叠无法看清里面的分布的。
谈论一下你在这部分观察到的特性之间的关系。你探索数据时，有发现相互之间会加强的数据吗？
探索过程中发现，pH、residual.sugar、density 和 alcohol 是相互加强的关系。由于quality = 3 和 9 的数据量太少了，在 quality = 3 和 9 的趋势上，可能存在误差。
有哪些有趣的关系?
暂无。
可选：你是否创建任何数据模型？讨论你的数据模型的优缺点.
暂无。
最后的图形以及说明
图形1
图形1描述
从图中可以看出，quality分布大致呈现正态分布。其中峰值在quality=6这里。这说明了大部分酒的品质差别都不大，特别好的酒和特别差的酒都是少数。
图形2
图形2描述
从图中可以看出, quality 与 alcohol 呈现正相关关系，当 Quality 增加时， alcohol 也呈现上升趋势。
图形3
图形3描述
从图中整体来看，alcohol = 10.5 是一个分界线，当 alcohol > 10.5 时，ph 值一定时， pH 取值越高时，quality 的质量越高。 当 alcohol < 10.5 时，关系并不明确。
——
反思
分析过程中的成功
- 在进行双变量探索的过程中，使用GGally库中的ggcorr方法和ggpairs方法，一次性对所有变量做了一个大致性的分析，找到了相关度高的一些变量关系，为后续的分析提供了指导作用；
- 在进行箱线图分析时，使用了jitter丰富信息，并使用线性回归，找到了 quality 与 alcohol 和 pH 之间的正相关关系，验证了最开始的想法；
3、在多变量分析的过程中，使用分组以及线性回归的方式，找到了 alcohol 与 pH 对 quality 相互叠加的正相关关系，从而可以知道，alcohol 和 pH 确实与quality 呈现正相关关系，且 alcohol 和 pH 可以相互加强。
遇到的问题
- 由于 quality = 0，1，2，10 的数据缺少，且 quality = 3，9 的数据量太少，导致评估各种化学物质对质量的影响时，可能存在较大误差。可以有效进行评估的为 quality = 4，5，6，7，8 ；
- 分析的过程中，发现各种化学物质与 quality 的关系并不是特别明显或明确。
猜想这里是由于 quality 的评估标准很多样，并不是单一看化学物质的含量，还需要考虑很多其他的特征，例如产地、葡萄酒的颜色、盛放器材等，故只考察化学物质的含量，并不能得到一个特别明确的关系，只能得到一个大致的趋势； - 在R的各种方法使用过程中，并不是特别熟悉，故而有时候并不能很快找到最适合的表现方式，这部分需要再多熟悉。
对未来工作的提议
- 建议收集更多的葡萄酒样本，最好能包含各个 quality 等级的数据，以便对各个等级皆有所了解，更全面的找到一些关系；
- 建议收集更多的参数，例如酒的颜色、粘稠度、盛放器材、产地以及其他与质量评定相关的参数；
- 后续可以通过机器学习来预测葡萄酒的质量。